La priorización estratégica de la reurbanización de terrenos industriales ineficientes (IIL) es crítica para dirigir la asignación de capital hacia la regeneración urbana sostenible. Sin embargo, la priorización actual de la reurbanización sufre de una identificación ineficiente de IIL y una caracterización ambigua del potencial de reurbanización, lo que obstaculiza la eficiencia de la asignación de recursos de tierra. Para abordar estos desafíos, este estudio desarrolla un marco de priorización de reurbanización impulsado por IA para identificar IIL, evaluar el potencial de reurbanización y establecer prioridades de implementación. Para la identificación de terrenos, proponemos un modelo YOLOv11 mejorado con un módulo AdditiveBlock para mejorar la extracción de características en escenas complejas de vista de calle, logrando un 80.1% de mAP en un conjunto de datos autoconstruido de edificios industriales abandonados. Sobre esta base, se construye un sistema de índices de evaluación del potencial de reurbanización basado en la necesidad, madurez y urgencia de la reurbanización, y se introduce el modelo de Optimización por Enjambre de Partículas-Búsqueda de Proyección (PSO-PP) para evaluar objetivamente el potencial de reurbanización al reducir adaptativamente la dependencia del juicio experto. Posteriormente, las prioridades de reurbanización se clasificaron de acuerdo con los valores potenciales calculados. El marco propuesto se prueba empíricamente en el área urbana central de la ciudad de Ningbo, China, donde se identifica con éxito el terreno industrial ineficiente y la prioridad de reurbanización se categoriza en etapas a corto, medio y largo plazo. Los resultados muestran que el marco que integra tecnología de visión por computadora y aprendizaje automático puede proporcionar efectivamente apoyo a la decisión para la reurbanización de IIL y ofrecer un nuevo método para promover el crecimiento inteligente del espacio urbano.